在图书馆中，可能见过百科全书。这是一套书籍，可以提供几乎所有事物的信息。知道百科全书最好的地方是什么吗？没错，猜对了。这些词汇是按字母顺序排列的。例如，如果心中有一个词汇“金字塔”，可以直接去拿标题为“P”的书。不需要在其他书中搜索它。能想象如果书籍没有顺序地存放，搜索一本书的任务会有多困难吗？
在这里，按字母顺序存放词汇代表了索引，但使用不同的地点存放以相同字符开头的词汇被称为分桶。在Apache Hive中也有类似的存储技术，如分区和分桶，以便可以更快地获得搜索查询的结果。在本文中，将看到什么是分区和分桶，以及何时使用哪一个。
Apache Hive允许将表组织成多个分区，可以将相同类型的数据分组在一起。它用于水平分布负载。用一个例子来理解它：
假设需要在Hive中创建一个包含时尚电子商务公司产品详情的表。它有以下列：
CREATE TABLE products (
product_id string,
brand string,
size string,
discount float,
price float
)
PARTITIONED BY (gender string, category string, color string);
现在，Hive将以如下目录结构存储数据：
/user/hive/warehouse/mytable/gender=male/category=shoes/color=black
分区数据给带来了性能优势，也帮助组织数据。现在，来看何时在Hive中使用分区。
当具有高搜索查询的列具有低基数时。例如，如果按国家名称创建分区，那么最多可以创建195个分区，这些目录数量是Hive可以管理的。另一方面，不要在具有非常高基数的列上创建分区。例如-产品ID、时间戳和价格，因为会创建数百万目录，这对Hive来说是不可能的。
当每个分区中的数据量不是很高时，它是有效的。例如，如果有航空公司数据，想计算一天内的总航班数。在这种情况下，结果将在分区“迪拜”上花费更多时间来计算，因为它拥有世界上最繁忙的机场之一，而像“阿尔巴尼亚”这样的国家将更快地返回结果。
在上面的例子中，知道不能在价格列上创建分区，因为它的数据类型是float，并且有无限多的唯一价格是可能的。Hive将不得不为每个唯一的价格生成一个单独的目录，这对Hive来说管理起来非常困难。相反，可以手动定义想要的桶的数量。
在分桶中，分区可以根据列的哈希函数被细分为桶。它为数据提供了额外的结构，可以用于更有效的查询。
CREATE TABLE products (
product_id string,
brand string,
size string,
discount float,
price float
)
PARTITIONED BY (gender string, category string, color string)
CLUSTERED BY (price) INTO 50 BUCKETS;
现在，无论价格列中有多少唯一值，都只会创建50个桶。例如，在第一个桶中，所有价格在[0-500]之间的产品将进入，而在下一个桶中，价格在[500-2000]之间的产品等等。